使用RAGAS评估本地RAG系统时的上下文选择策略

在构建和评估基于检索增强生成(RAG)的系统时，一个关键问题是如何正确选择评估过程中使用的上下文数据。本文将深入探讨这一技术细节，帮助开发者理解在本地RAG系统中进行有效评估的最佳实践。

评估数据集的组成要素

一个完整的RAG评估数据集通常包含三个核心组成部分：

1. 问题集：需要RAG系统回答的查询问题
2. 上下文：系统检索到的相关文档片段
3. 参考答案：问题的标准答案或真实回答

测试集生成与评估的差异

在测试集生成阶段，开发者通常会使用OpenAI等云端模型的嵌入方法来创建问题/上下文/参考答案的三元组。然而，当实际部署本地RAG系统时，系统使用的是完全不同的嵌入方法（如GenAI嵌入），这将导致检索到的上下文与测试集生成阶段获取的上下文存在差异。

评估时的上下文选择原则

技术实践表明，在评估本地RAG系统时，应当使用系统自身检索到的上下文而非测试集生成阶段的上下文。这种选择基于以下技术考量：

1. 评估真实性：使用系统实际检索的上下文能够真实反映系统在生产环境中的表现
2. 端到端测试：这种评估方式涵盖了从检索到生成的全流程性能
3. 指标相关性：RAGAS提供的评估指标（如上下文精确度和召回率）正是设计用于衡量系统自身的检索能力

评估数据集的构建方法

正确的评估数据集构建方法应该是：

• 问题集和参考答案：从标准测试集或"创建测试集"文档中获取
• 答案和上下文：由本地RAG系统在实际运行中生成

这种分离式构建方法确保了评估既保持了问题与参考答案的客观性，又能准确反映本地系统的实际性能。

评估指标的技术含义

RAGAS提供的评估指标针对RAG系统的不同组件设计：

1. 检索器指标：包括上下文精确度和上下文召回率，专门评估检索系统的性能
2. 生成器指标：如忠实度（衡量幻觉）和答案相关性，评估LLM生成质量

通过这种分层次的评估，开发者可以精确诊断系统瓶颈所在，无论是检索环节还是生成环节的问题。

技术实践建议

对于正在实施本地RAG系统的开发者，建议：

1. 保持测试问题的稳定性，使用公认的基准数据集
2. 允许系统使用自身的检索机制获取上下文
3. 定期更新评估数据集以反映实际应用场景的变化
4. 对比不同嵌入方法在相同问题集上的表现差异

这种评估方法不仅适用于本地RAG系统，也可推广到其他自定义检索增强系统的性能评估中。